BaşlayınÜcretsiz Başlayın

Regresyon model performansını görselleştirme

Artık kutudan çıktığı gibi birden fazla modeli nasıl değerlendireceğini gördüğüne göre, bir şarkının "energy" (enerji) düzeylerini tahmin etmek için üç regresyon modeli kuracaksın.

music_df veri kümesine "genre" için kukla değişkenler eklendi. Ayrıca özellik ve hedef dizileri oluşturuldu ve bunlar X_train, X_test, y_train ve y_test olarak bölündü.

Senin için şu sınıf ve fonksiyonlar içe aktarıldı: LinearRegression, Ridge, Lasso, cross_val_score ve KFold.

Bu egzersiz

scikit-learn ile Supervised Learning

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • Yineleyici olarak model ve yinelenebilir olarak model.values() kullanarak bir for döngüsü yaz.
  • Modeli kullanarak eğitim özellikleri ve eğitim hedef dizisi üzerinde çapraz doğrulama yap; cv’yi KFold nesnesine eşitle.
  • Modelin çapraz doğrulama puanlarını sonuçlar listesine ekle.
  • Sonuçları gösteren bir kutu grafiği (box plot) oluştur ve x ekseni etiketleri olarak modellerin adlarını kullan.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

models = {"Linear Regression": LinearRegression(), "Ridge": Ridge(alpha=0.1), "Lasso": Lasso(alpha=0.1)}
results = []

# Loop through the models' values
for ____ in models.values():
  kf = KFold(n_splits=6, random_state=42, shuffle=True)
  
  # Perform cross-validation
  cv_scores = ____(____, ____, ____, cv=____)
  
  # Append the results
  ____.____(____)

# Create a box plot of the results
plt.____(____, labels=____.____())
plt.show()
Kodu Düzenle ve Çalıştır